Abordagem YOLOv5 para Detecção e Classificação de Esferas de Solda no Encapsulamento de Semicondutores

• Paulo Vítor Libório Pereira UFAM
• Felipe Gomes de Oliveira UFAM

DOI: https://doi.org/10.5753/connect.2024.238551

Resumo

A detecção de objetos baseada em Visão Computacional é essencial para acelerar a produção de produtos eletrônicos. Para o treinamento e teste da rede neural, foi utilizada a métrica mAP para avaliar os resultados da detecção e para a classificação considerou-se a acurácia média. O objetivo consiste em propor uma abordagem para detectar e classificar três categorias de esferas de solda, no processo de soldagem de pastilhas de silício em BGA contidos em substratos PCB combinando o modelo YOLOv5 e uma CNN. Os resultados experimentais mostram que o detector alcançou um desempenho considerável, marcando um mAP@50 de 92,6% para o modelo YOLOv5 e uma acurácia média de 97,87% para o modelo de CNN.

Referências

Alexandrova, S., Tatlock, Z., and Cakmak, M. (2015). Roboflow: A flow-based visual programming language for mobile manipulation tasks. In 2015 IEEE Int. Conference on Robotics and Automation (ICRA), pages 5537–5544. IEEE.

Iglesias., B., Otani., M., and Oliveira., F. (2021). Glue level estimation through automatic visual inspection in pcb manufacturing. In Proceedings of the 18th International Conference on Informatics in Control, Automation and Robotics - ICINCO, pages 731–738. INSTICC, SciTePress.

Jia Yao 1, 2. J. Q. J. Z. H. S. 1.,. J. Y. a. X. L. 1., s.d. A Real-TimeDetection Algorithm for Kiwifruit Defects Based on YOLOv5. Em: s.l.:MDPI.

Jin, R. & Niu, Q., 2021. Automatic Fabric Defect Detection Based on an Improved YOLOv5. Em: Mathematical Problems in Engineering. s.l.:s.n.

Jocher, G., Nishimura, K., Mineeva, T., and Vilarino, R. (2020a). Yolov5 (2020). GitHub repository: [link].

LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.

Malta, A., Mendes, M. & Farinha, T., (2021). Augmented Reality Maintenance Assistant Using YOLOv5. MDPI -Applied Sciences.

Pereira, P. V. L., Silva, C. N., Ferreira, N. P., Meireles, S. S., Otani, M., da Silva, V. J., de Freitas, C. A. O., and Oliveira, F. G. (2023). Automatic fault detection in soldering process during semiconductor encapsulation. In Informatics in Control, Automation and Robotics, pages 130–145, Cham. Springer International Publishing.

Pereira, P. V. L. Página do repositório do código deste projeto. 01/2022. Disponível em: [link].

Rahman, N. N. S. A., Saad, N. M., Abdullah, A. R., and Ahmat, N. (2019). A Review of Vision Based Defect Detection Using Image Processing Techniques for Beverage Manufacturing Industry. Jurnal Teknologi, 81(3).

Silva, C., Ferreira, N., Meireles, S., Otani, M., Silva, V., Freitas, C., and Oliveira, F. (2022). The visual inspection of solder balls in semiconductor encapsulation. In Proceedings of the 19th International Conference on Informatics in Control, Automation and Robotics ICINCO, pages 750–757. INSTICC, SciTePress.

Yamashit, Rikiya et al. (2018) Convolutional neural networks: an overview and application in radiology. Insights Into Imaging, v. 9, n. 4, p.611-629.

Zhang, K., Huang, T., Su, Z., and Guan, T. (2021). Design of solder quality inspection system based on machine vision. In 2021 IEEE 5th Adv. Info. Tech., Elect. and Automation Control Conference (IAEAC), volume 5, pages 2413–2418.

Zhao, Z.-Q., Zheng, P., Xu, S.-t., and Wu, X. (2019). Object detection with deep learning: A review. IEEE trans. on neural networks and learning systems.